Gurobi是一个用于数学优化的高性能求解器，广泛应用于供应链管理、资源分配、生产调度等领域。

它提供了Python接口，使得使用Python语言能够方便地构建和求解优化模型。本文介绍Python中Gurobi的用法及案例。

安装和导入

首先需安装Gurobi并导入相关的Python模块。可在Gurobi官方网站上下载和安装适用于你的操作系统的版本。

也可直接pip安装，直接安装的版本为免费版，变量数量有限制，若要学术版本或者商业版本需要去官网申请license。

pip install gurobipy

安装完成后，可以在Python环境中导入使用。

import gurobipy

模型构建

要使用Gurobi求解优化问题，首先需要构建一个模型。

Model()

函数创建一个新模型对象。

addVar()

添加变量。

addConstr()

下面是一个简单的线性规划示例，求解最大化目标函数2x + y的问题：

import gurobipy as grb

# 创建模型对象
model = grb.Model()

# 添加变量
x = model.addVar(vtype=grb.GRB.CONTINUOUS, lb=0, name="x")
y = model.addVar(vtype=grb.GRB.CONTINUOUS, lb=0, name="y")

# 添加约束条件
model.addConstr(x + 2*y <= 3, "c0")
model.addConstr(2*x + y <= 4, "c1")

# 设置目标函数
model.setObjective(2*x + y, grb.GRB.MAXIMIZE)

# 模型求解
model.optimize()

# 输出结果
print("Optimal solution:")
for var in model.getVars():
    print(var.varName, var.x)
print("Objective value:", model.objVal)

数据处理

在实际应用中，我们经常需要从外部文件或数据库中读取数据，并将其应用于模型中。Gurobi提供了方便的接口来处理数据。

# 从文件中读取数据
model.read("data.lp")

使用setAttr()方法设置变量的属性。

# 设置变量的属性
model.setAttr("ub", x, 5)

基础案例

接下来，我们将通过一个实际案例来演示Gurobi的用法。假设我们有一家工厂需要生产两种产品，分别为A和B，需要决定生产数量以最大化利润。每种产品的生产时间和材料成本如下：

工厂每天有8个小时的生产时间和50元的成本限制。我们的目标是最大化利润。下面是求解该问题的代码示例：

import gurobipy as grb

# 创建模型对象
model = grb.Model()

# 添加变量
x = model.addVar(vtype=grb.GRB.INTEGER, lb=0, name="x")
y = model.addVar(vtype=grb.GRB.INTEGER, lb=0, name="y")

# 添加约束条件
model.addConstr(4*x + 3*y <= 8, "c0")
model.addConstr(6*x + 8*y <= 50, "c1")

# 设置目标函数
model.setObjective(10*x + 15*y, grb.GRB.MAXIMIZE)
# 模型求解
model.optimize()

# 输出结果
print("Optimal solution:")
for var in model.getVars():
    print(var.varName, var.x)
print("Objective value:", model.objVal)

经典案例TSP问题

旅行商问题（Traveling Salesman Problem，简称TSP）是一个经典的组合优化问题，即寻找一条路径，使得从一个城市出发，恰好经过所有其他城市一次后回到起始城市，并使得总路程最短。

Gurobi可以用于求解TSP问题的近似解。下面是一个示例：

import gurobipy as grb

# 读取城市之间的距离矩阵
distances = [
    [0, 2, 9, 10],
    [1, 0, 6, 4],
    [15, 7, 0, 8],
    [6, 3, 12, 0]
]

n = len(distances)  # 城市数量

# 创建模型对象
model = grb.Model()

# 添加二进制变量表示是否经过某个城市
x = {}
for i in range(n):
    for j in range(n):
        if i != j:
            x[i, j] = model.addVar(vtype=grb.GRB.BINARY, name=f"x_{i}_{j}")

model.update()

# 添加约束条件1：每个城市只能经过一次
for i in range(n):
    model.addConstr(grb.quicksum(x[i, j] for j in range(n) if j != i) == 1)

# 添加约束条件2：从一个城市出发，只能到达一个城市
for j in range(n):
    model.addConstr(grb.quicksum(x[i, j] for i in range(n) if i != j) == 1)

# 添加目标函数：最小化总路程
model.setObjective(grb.quicksum(distances[i][j] * x[i, j] for i in range(n) for j in range(n) if i != j), grb.GRB.MINIMIZE)

# 模型求解
model.optimize()

# 输出结果
if model.status == grb.GRB.OPTIMAL:
    print("Optimal solution found!")
    for i in range(n):
        for j in range(n):
            if i != j and x[i, j].x > 0.5:
                print(f"City {i} -> City {j}")
    print(f"Total distance: {model.objVal}")
else:
    print("No solution found.")